随机波动率模型下的回望期权定价方法.docxVIP

随机波动率模型下的回望期权定价方法

一、引言

期权定价是金融数学领域的核心问题之一，其准确性直接影响金融机构的风险管理、投资策略制定及衍生品市场的稳定性。传统Black-Scholes模型自提出以来，凭借简洁的假设和明确的解析解，成为期权定价的经典工具，但其“波动率恒定”的假设与实际市场中波动率频繁波动的现象存在显著矛盾（BlackScholes，1973）。现实中，标的资产价格的波动往往呈现出集群性、均值回复性等特征，这使得随机波动率模型（StochasticVolatilityModel,SVM）逐渐成为更贴近市场实际的替代方案（Heston，1993）。

回望期权（LookbackOption）作为一类典型的路径依赖型期权，其收益不仅取决于到期日标的资产价格，还与整个期权有效期内标的资产价格的历史路径密切相关（如最高或最低价格）。这种特性使得回望期权的定价需考虑更多状态变量，传统恒定波动率框架下的定价方法难以准确捕捉其风险特征（ConzeViswanathan，1991）。因此，将随机波动率模型与回望期权定价结合，既是理论发展的必然趋势，也是解决实际金融问题的迫切需求。本文将系统探讨随机波动率模型下回望期权定价的理论框架、方法比较及现实意义。

二、随机波动率模型与回望期权的基本特征

（一）随机波动率模型的核心逻辑与常见类型

随机波动率模型的核心突破在于放松了Black-Scholes模型中“波动率为常数”的假设，将波动率本身视为一个随机过程。这一设定更符合市场观察：资产价格波动常呈现“波动聚集”（VolatilityClustering）现象——大幅波动后往往伴随大幅波动，小幅波动后伴随小幅波动；同时，波动率会向长期均值缓慢回归（均值回复性）（Engle，1982；HullWhite，1987）。

常见的随机波动率模型可分为离散时间与连续时间两类。离散时间模型以ARCH（自回归条件异方差）及其扩展模型（如GARCH）为代表，通过历史波动率预测未来波动率；连续时间模型则多基于随机微分方程描述波动率的动态变化，其中Heston模型（1993）最具代表性。Heston模型假设波动率服从平方根扩散过程（CIR过程），即波动率的随机微分方程包含漂移项（均值回复）和扩散项（随机扰动），这一设定既保证了波动率非负，又能较好拟合实际市场数据（Bakshietal.，1997）。

（二）回望期权的路径依赖特性与分类

回望期权的独特性在于其收益计算依赖于标的资产价格的历史路径。根据执行价确定方式，可分为两类：

固定执行价回望看涨期权：收益为到期日标的资产价格与有效期内最低价格的差值（若为正）；

浮动执行价回望看涨期权：收益为有效期内最高价格与到期日标的资产价格的差值（若为正）。看跌期权的收益逻辑类似，但方向相反（ConzeViswanathan，1991）。

这种路径依赖特性使得回望期权的定价需追踪标的资产价格的极值（最高或最低），而极值本身是随机变量，其分布受波动率动态的显著影响。在恒定波动率假设下，极值的分布可通过几何布朗运动的性质推导，但当波动率随机时，极值的分布需同时考虑标的资产价格与波动率的联合动态，极大增加了定价复杂度（Kou，2002）。

三、随机波动率模型下回望期权定价的理论框架

（一）风险中性定价原理的扩展应用

期权定价的核心是风险中性定价原理——在无套利假设下，期权的当前价值等于其未来收益在风险中性测度下的期望现值。在随机波动率模型中，这一原理需扩展至包含波动率随机过程的联合概率空间（HarrisonKreps，1979）。具体而言，标的资产价格(S_t)和波动率(_t)需满足联合随机微分方程，定价过程需同时对(S_t)和(_t)的路径进行积分，计算期权收益的期望。

以Heston模型为例，标的资产价格的动态方程为(dS_t=rS_tdt+S_tdW^S_t)，波动率(v_t)（即(t^2)）的动态方程为(dv_t=(v_t)dt+dW^v_t)，其中(W^S_t)和(W^v_t)为相关系数为()的布朗运动。此时，回望期权的收益（如固定执行价看涨期权的((S_T{0tT}S_t,0))）需在(S_t)和(v_t)的联合路径下求期望（Heston，1993）。

（二）状态变量的维度扩展与定价挑战

在恒定波动率模型中，回望期权的定价仅需追踪标的资产价格(S_t)和极值(M_t=_{0tT}S_t)（或()），状态变量为二维（(S_t,M_t)）。引入随机波动率后，状态变量需增加波动率(v_t)，形成三维状态空间（(S_